Door temperatuurveranderingen kan water van toestand veranderen. Wanneer de temperatuur daalt tot 0°C, wordt water omgezet in ijs en vice versa. Moleculaire simulaties hebben waardevol inzicht gegeven in de microscopische mechanismen die ten grondslag liggen aan homogene ijskiemvorming. Deze simulaties zijn tot nu toe echter onbetaalbaar gebleken.
Een team van Princeton University heeft met succes kunstmatige intelligentie (AI) gebruikt om vergelijkingen op te lossen die het kwantumgedrag van individuele atomen en moleculen regelen om de vroege stadia van ijsvorming. De simulatie laat zien hoe watermoleculen met kwantumnauwkeurigheid overgaan in vast ijs.
Roberto Car, Princeton's Ralph W. *31 Dornte Professor in Chemistry, die meer dan 35 jaar geleden mede-pionier was van de benadering van het simuleren van moleculair gedrag op basis van de onderliggende kwantumwetten, zei: “In zekere zin is dit als een droom die uitkomt. Onze hoop was toen dat we uiteindelijk systemen zoals deze zouden kunnen bestuderen. Toch kon het niet zonder verdere conceptuele ontwikkeling, en die ontwikkeling kwam via een heel ander veld, dat van kunstmatige intelligentie en data science.”
Door de vroege stadia van het bevriezen van water te modelleren, zou het ijskiemvormingsproces de precisie van klimaat- en weermodellering en andere processen zoals het snel invriezen van voedsel kunnen vergroten. De nieuwe benadering zou kunnen helpen de activiteit van honderdduizenden atomen gedurende duizenden malen langere perioden te volgen, zij het nog steeds slechts fracties van een seconde, dan in vroege studies.
Wetenschappers komen met deze aanpak met behulp van kwantummechanische wetten om de fysieke bewegingen van atomen en moleculen te voorspellen. Hoe atomen zich met elkaar associëren om moleculen te vormen en hoe moleculen zich met elkaar associëren om gemeenschappelijke objecten te maken, worden beide beheerst door kwantummechanische wetten.
Wetenschappers hebben een neuraal netwerk getraind om een relatief klein aantal geselecteerde kwantumberekeningen te herkennen. Eenmaal getraind, de neuraal netwerk kan met kwantummechanische nauwkeurigheid de krachten tussen atomen berekenen die het nog nooit eerder heeft gezien. Deze 'machine learning'-benadering wordt al gebruikt in alledaagse toepassingen zoals spraakherkenning en zelfrijdende auto's.
In 2018 vonden wetenschappers een manier om te solliciteren AI het modelleren van kwantummechanische interatomaire krachten. Die benadering staat bekend als diepe potentiële moleculaire dynamiek.
In deze studie pasten wetenschappers deze technieken toe op de uitdaging om ijskiemvorming te simuleren. Ze gebruikten diepe potentiële moleculaire dynamiek om simulaties van maximaal 300,000 atomen uit te voeren met aanzienlijk minder rekenkracht. Ze voerden simulaties uit op Summit, een van 's werelds snelste supercomputers, in het Oak Ridge National Laboratory.
Pablo Debenedetti, Princeton's decaan voor onderzoek en de Class of 1950 Professor of Engineering and Applied Science, en een co-auteur van de nieuwe studie, zei: "Dit werk biedt een van de beste onderzoeken naar ijskiemvorming."
“IJskiemvorming is een van de grootste onbekende grootheden in weersvoorspellingsmodellen. Dit is een behoorlijke stap voorwaarts omdat we goede overeenstemming zien met experimenten. We hebben uitgebreide systemen kunnen simuleren die voorheen ondenkbaar waren voor kwantumberekeningen.”
Athanassios Panagiotopoulos, de Susan Dod Brown hoogleraar chemische en biologische engineering en een co-auteur van de studie, zei: "De diepe potentiële methodologie die in onze studie wordt gebruikt, zal helpen de belofte van ab initio moleculaire dynamica te realiseren om waardevolle voorspellingen te doen van complexe verschijnselen, zoals chemische reacties en het ontwerp van nieuwe materialen."
Pablo Piaggi, de eerste auteur van de studie en een postdoctoraal onderzoeksmedewerker in de chemie aan Princeton, zei: “Het feit dat we heel complexe fenomenen uit de fundamentele natuurwetten bestuderen, vind ik fascinerend. De ontwikkeling van nieuwe technieken om zeldzame gebeurtenissen, zoals nucleatie, te bestuderen met behulp van computersimulatie. Zeldzame gebeurtenissen vinden plaats op tijdschalen die langer zijn dan de simulatietijden die mogelijk zijn, zelfs met behulp van AI, en er zijn gespecialiseerde technieken nodig om ze te versnellen.”
“Watermoleculen bestaan uit twee waterstof atomen en een zuurstofatoom. De elektronen rond elk atoom bepalen hoe atomen zich met elkaar kunnen binden om moleculen te vormen. We beginnen met de vergelijking die beschrijft hoe elektronen gedragen zich. Elektronen bepalen hoe atomen op elkaar inwerken, hoe ze chemische bindingen vormen en vrijwel de hele chemie.”
Auto zei, “De atomen kunnen in miljoenen verschillende rangschikkingen bestaan. De magie is dat vanwege een aantal natuurkundige principes de machine kan extrapoleren wat er gebeurt in een relatief klein aantal configuraties van een kleine verzameling atomen naar de talloze arrangementen van een veel groter systeem.”
Piaggi zei, “Hoewel AI-benaderingen al enkele jaren beschikbaar zijn, zijn onderzoekers voorzichtig geweest met het toepassen ervan op berekeningen van fysieke systemen. Toen machine learning-algoritmen populair begonnen te worden, was een groot deel van de wetenschappelijke gemeenschap sceptisch omdat deze algoritmen een black box zijn. Machine learning-algoritmen weten niets van natuurkunde, dus waarom zouden we ze gebruiken?”
“De afgelopen jaren is deze houding echter aanzienlijk veranderd, niet alleen omdat de algoritmen werken, maar ook omdat wetenschappers hun kennis van de natuurkunde gebruiken om de machine learning modellen.”
“Het geeft voldoening om te zien dat het werk dat drie decennia geleden is begonnen, tot wasdom komt. De ontwikkeling kwam via iets dat in een ander vakgebied was ontwikkeld, dat van data science en toegepaste wiskunde. Dit soort kruisinteractie tussen verschillende velden is erg belangrijk.”
Journal Reference:
- Pablo M. Piaggi, Jack Weis, et al. Homogene ijskiemvorming in een ab initio machine-learning model van water. PNAS Augustus 2022. DOI: 10.1073 / pnas.2207294119
